有效地折叠 Parquet 中的行组

Question

我有一个包含许多小行组的大型 Parquet 文件。我想生成一个带有单个（更大）行组的新 Parquet 文件，并且我正在使用 Python 进行操作。我可以这样做：

import pyarrow.parquet as pq
table = pq.read_table('many_tiny_row_groups.parquet')
pq.write_table(table, 'one_big_row_group.parquet')

# Lots of row groups...
print (pq.ParquetFile('many_tiny_row_groups.parquet').num_row_groups)
# Now, only 1 row group...
print (pq.ParquetFile('one_big_row_group.parquet').num_row_groups)

但是，这需要我一次将整个 Parquet 文件读入内存。我想避免这样做。是否有某种“流式处理”方法可以保持较小的内存占用？

Answer 1

fastparquet 的文档指出了对大到无法放入内存的数据集进行迭代的可能性。对于阅读，您可以使用：

pf = ParquetFile('myfile.parquet')
for df in pf.iter_row_groups():
    print(df.shape)
    # process sub-data-frame df

对于写入，您可以append 到文件中。